The silent occurrence of cerebral small vessel disease in nonelderly patients with type 2 diabetes mellitus
Notice bibliographique
Résumé
BACKGROUND: The prevalence of cerebral small vessel disease (SVD) increases in elderly patients with type 2 diabetes (T2DM), exacerbating cognitive decline. However, the prevalence and the severity of SVD in dementia-free nonelderly T2DM patients were largely unknown. Our primary aim is to investigate SVD in such patients, with a specific focus on the correlation between SVD and diabetic peripheral sensorimotor polyneuropathy (DSP). METHODS: We recruited 180 young and middle-aged subjects without cognitive impairment (106 with T2DM, 74 controls). Signs of cerebral SVD on magnetic resonance image were investigated, and the overall SVD burden was evaluated by a combined score. Patients with T2DM underwent further detailed DSP assessment. Regression models were used to investigate the association of SVD with the presence of T2DM, and the associations of the prevalence and severity of SVD and DSP were also explored in patients with T2DM. RESULTS: The prevalence of microbleeds and overall burden of SVD were significantly higher in T2DM patients than in the controls. Further, the presence of DSP related to an increased risk of SVD after adjustment in diabetic group. Moreover, Toronto Clinical Scoring System values were positively associated with the increased SVD scores, and bilateral sural sensory nerve conduction velocities were negatively associated with increasingly severity of SVD scores. CONCLUSION: The current findings extended the increasing prevalence of SVD to dementia-free nonelderly patients with T2DM, suggesting that the time for cognitive screening and prevention might be moved forward in T2DM patients, especially for those with DSP.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».